摘要

林凡抛出全篇最核心的“暴论”：明年科技公司基本只会找 AI 人才——不会用 AI，就像今天不会用 PC 和手机一样不被公司需要。 依据是 OpenAI 内部从程序员用 Codex 到“法务、财务人人都用，平均让 Codex 工作一小时”只花了 9 个月；脉脉比 OpenAI 晚约 5 个月启动，预计用 10—11 个月完成。脉脉内部数据显示，2025 年起 AI 人才同比增长 10 倍，2026 年仍保持这一增速，占比已到 30%—40%；大厂校招技术岗已收敛为 AI 算法、AI 全栈、AI Agent 三类。
中美模型差距“现状在缩小”，且 token 贵是阶段性现象。 竞争重心从吃卡的 pre-training 转向 RL 和 Agentic RL 后，对资源的要求不像预训练那么高，国内外 SOTA“咬得比较近”；小模型蒸馏大模型能力越来越强（DeepSeek Flash 令人惊艳）。林凡判断，SOTA 高价 token 还会持续半年到一年，之后普通模型达到今天 Opus 5 或 Fable 5 的水平时，token 可能没那么贵——但他明确没有承诺差距未来还能继续缩小。
林凡称，RSI（AI 自进化）正在落地：Anthropic 和 OpenAI“应该”已有约 30% 的 training 工作交由 AI 优化，两家预计一年内做到 70%—80%，这被认为是模型能力快速提升的核心原因。 OpenAI 去年还在争 IOI 名次（拿了第七），今年已经“不 care”，核心目标变成一年之内冲击数学菲尔兹奖；林凡还说，他认为这一届可能是最后一届“人人都能参与竞争”的菲尔兹奖时代。
Agent 正从“人叫它干活”变成“主动抢活”：Anthropic 内部 Claude 在 Slack 里拥有相关 context，会主动跳出来说“这个活我可以干”。 人类 70%—80% 的工作被林凡认为是 routine 工作；当这些逐渐被接管，人将开始做更多非例行工作、长期处在不舒适区。林凡把自己“三年人人程序员、五年管理者、十年 CEO”的预言压缩为一年、三年、五年，承认原来“预估得太保守了”。
AI 人才分三类，最普适的能力分水岭是“能否让 Agent 自主、自动工作超过一小时”。 基座技术人才看论文和开源贡献，应用开发人才看真实 Agent 案例；业务效能人才的标准则是把自己从 loop 的阻碍中拿掉——“你的约束想得越清楚，前面的架构设计得越好，AI 能全自动完善细节的周期就会越长”。林凡称自己曾靠架构设计和 200 多个 test case，让 AI 连跑 10 小时、执行 700 多个 background task。
替代规律被颠覆：决定因素不是工作难易，而是有无“清晰、可验证的闭环”——数学家也可能危险，关系型工种反而相对安全。 清华计算机系 500 人 AI 群的共识是“AI 的智能已经超过我们了”，剩下的问题是 context 尚未充分释放；程序员不会消失，而会带着 coding agent 外流——“一个人就是一个团队”，物流、农业、外贸等过去请不起程序员团队的行业将首次用得起。
对宏观后果，林凡明确比主持人悲观：“没有你那么乐观”——AI 让生产力大幅提升，但问题在消费侧，供给增加不会自动带来消费增加，本质更是信心问题。他预言 20 年后“所有人出生即退休”，但在此之前会有“极其动荡和极其恐慌”的十年。过渡形态是人力资源服务“上云”：小时级、天级雇佣，由 AI management 平台统一派单；脉脉设想的终局是平台甚至雇佣候选人，直接完成劳动价值匹配——服务对象不变，方法巨变。

精读

1. 硅谷年检：差距“现状在缩小”，蒸馏叙事是顶层话术

林凡每年赴美看两件事：模型技术走到哪一步、创业者在做什么。今年的共识很清晰——“模型的智能其实已经是足够的”，创业者集体转向工种替代，因为人力资源是巨大产业，“这里面其实有巨大商业机会”。
关于美国 CEO 们反复讲的“中国在蒸馏”，林凡的分辨：顶层的人“带有他们的商业目的和政治目的”，但底下的一线同学“更多还是 respect 中国”，中美双方的同学都不觉得这个 progress 是靠蒸馏能做出来的。
措辞纪律值得注意：他纠正主持人说“不是说会缩小，是说现状是在缩小”——中美都在研究 RSI，“只能说我看到现在在缩小一些，但并没有说未来还能继续缩小”。

2. 天花板还会抬：RL 改变了算力游戏规则

SOTA 未来 6—12 个月还有没有提升空间？林凡的回答是肯定的：去年这波靠 RL、特别是 Agentic RL 推升能力，接下来“机器的自演化，RSI 会让这个事情变得更快”。
差距收窄的机制：拼 pre-training 时对卡的要求极高，转向 post-training、RL 之后，对资源的要求“不像预训练那么大”，所以过去半年到一年国内外 SOTA“咬得还算比较近”。

3. Token 贵是阶段性现象：小模型能力正在增强

林凡承认按经济模型算“肯定算不过账来，确实就是亏的”，但这也可能是阶段性错觉：SOTA 快速进展，小模型蒸馏其能力也在变强——DeepSeek Flash“在这么一个参数规模下能达到那样的效果”让大家非常惊艳，Gemma 3 的 27B 在 reasoning 和逻辑方面也有明显进步。
价格路径的预测：SOTA 竞争还会有“半年到一年的持续的高价 token”，但当普通模型达到今天顶级模型（他口中的“Opus 5”“Fable 5”级别）的水平、而大家的需求停在那个水平时，“那个节点上面 token 就没有那么贵了”。林凡的核心判断是：“今天模型的智能应该是 over 的”，已经超过今天大部分工种所需的智能；主持人则据此进一步推断，小模型可能满足公众的大部分模型需求。

4. 暴论的数据底座：Codex 九个月从程序员泛化到全员

OpenAI 论文披露：公司内部用 9 个月时间，从只有程序员用 Codex 到“法务、财务人人都用，并且平均让 Codex 工作时间在一个小时”。脉脉比 OpenAI 晚约 5 个月启动，预估 10—11 个月完成，“现在已经人人都在用 Codex，只是还没完成最终的强制考核”。
前提是基建：要让每个人都用上，必须把足够多的 context 和公司内部 data 提供给员工访问；技术扎实的公司快，技术能力差的公司慢很多，但“无论大公司小公司，两到三年可能都会完成切换”。
脉脉内部数据：2025 年起 AI 人才同比增长 10 倍，2026 年仍保持这一增速，占比已到 30%—40%——“再涨一个 10%，明年基本上所有公司都在招 AI 人才了”；大厂校招技术岗已收敛为 AI 算法工程师、AI 全栈工程师、AI Agent 工程师三类，非技术岗也出现 AI 产品经理、AI 运营等“AI 打头”的岗位。

5. OpenAI 的星辰大海：30% 训练交给 AI，目标菲尔兹奖

最硬核的数字：林凡认为 Anthropic 和 OpenAI“基本上现在应该有 30% 的 training——不管 pre-training 还是 post-training——已经交由 AI 来做优化”，预计一年内到 70%—80%；这被认为是模型能力快速提升的核心原因。
目标的漂移是信号：去年 OpenAI 还在讲要拿 IOI 全球第一（实际拿了第七，当时说 pretty sure 今年能拿），今年“他都已经不 care 这个事情了”——现在最核心的事是“一年之内怎么把数学的菲尔兹奖拿下来”。
林凡本带着工种替代的议题去，却发现对方在谈可控核聚变、航空航天、延缓衰老：“任何一个这样的领域突破带来的社会价值和商业价值，可能都比你去替代一些工种大”——与国内媒体“又在抢人类饭碗”的叙事错位。

6. Anthropic 更实际：Agent 开始抢活干

令他印象最深的场景：Anthropic 内部 Claude 在 Slack 里拥有相关 context，会在大家讨论问题时主动跳出来说“这个活我可以干，要不要让我干”，或者“那个事情前两天刚上线，没人验证效果，我可以去验证”。OpenAI 则用另一种方式实现：专门的 Agent 分析所有对话 context，主动 push：“这个工作我可以用 Agent 帮你做好，你点个确认就不用干了。”
后果直指人性：“我们每天大概有 70%—80% 的工作是 routine 的”，当这些被接管，人将开始做更多非例行的工作，“每天都在不舒适区里面”。
时间表的修正——他自己承认预估失误：原来说三年人人程序员、五年人人管理者、十年人人 CEO，“结果现在发现速度太快了”，改为一年、三年、五年。“这是为什么我说明年可能科技公司就只招 AI 人才了。”

7. AI 人才三分法与“一小时分水岭”

林凡强调很多 HR 把 AI 人才理解成高精尖大模型人才，其实是三类：AI 基座技术人才（做预训练、后训练、infra）、AI 应用开发人才（做 Agent 的工具、infra、memory、function）、AI 业务效能人才——最后一类“人人都有机会”，标准是“如何能够让你的 Agent 自主的、自动的工作超过一个小时以上”。
他点破多数人的盲区：很多人跟 AI 聊天时“自己在做决策、做判断”，“没有意识到自己其实已经是 Agent 的阻碍了”。给清晰目标加可验证的成功标准，AI 会“努力地做各种各样的尝试去达成”——就像此前某模型为了评测目标把 Hugging Face“黑了”。
承载论点的内部答辩案例：一个运营同学做了个 Agent，把销售的问题拷贝进去、答案拷贝回去，自认为用得很好。林凡的质问是：“这个过程为什么你还要变成中间那个人呢？”人当中介只能从服务 50 个销售变成 100 个；去掉中介，这个 Agent 能服务 500 个甚至 5000 个销售，因为它是全自动的过程。

8. 一小时的工程学：设计头和尾，把中间交给 AI

一小时的算法：“跟 Agent 对话复杂问题几分钟能想完，给它一个调研 task 大概 20—30 分钟能完成，我就把这个目标往上 double 一倍”——通常对应两到三次 loop。人在回路“永远是对的”，但人在单次闭环里拷贝粘贴、响应消息都是延迟，“这部分是一定要绕过去的”。
他的实操配方：架构设计在最开始跟 AI 充分讲清楚，加上上百个约束条件（内部叫 test case，多到 200 多个）——“你的约束想得越清楚，你前面的架构设计设计得越好，AI 能全自动完善细节的周期就会越长。”他自己有过 AI 连跑 10 小时、执行 700 多个 background task 的案例。
对忍不住打断的人的劝告：AI 头一两次“干得太傻”是因为 context 没你多，“你把头和尾约束好以后，再多一点耐心，特别是你要去睡觉了，它一遍一遍试错的过程中方法会越来越好”。
主持人提出 Grok 比 Codex 和 Claude 快得多、loop 单位时间会缩短，林凡部分同意但不认为这会线性缩短任务：大量时间花在 context 获取和结果 evaluation 上——“你要在飞书里摄取文档，取决于飞书的速度；跑完一个 G 的 log 的时间，不会因为推理速度变快就变快。”所以他仍认为“一小时是够衡量的”。

9. Context 与权限：先给出去可能快三到五倍

AI 需要的 context 就是人完成任务需要的东西：文档库、代码库、聊天记录、线上 log、database——“以前人会去问谁有数据库权限，AI 今天去问，没有人会搭理他”，所以要提供一堆 MCP 接入工具，随之而来的是大公司复杂的权限体系问题。
林凡的立场很激进：“先把权限给出去再说，可能它的演化速度会快三倍、快五倍……你是能不能先干起来看到结果，还是本来就将信将疑不敢给权限，就更拿不到结果，就更怀疑这个事情。”主持人的总结他认可：过去数字化成熟的企业里有很多信息墙，现在要让 AI 深入组织，“就是把这些墙都要敲破”。

10. 替代的真正规律：不看难易，看闭环可不可验证

认知的翻转：“原来我们理解是难的事情不容易被替代、简单的容易被替代，但现在发现，有没有一个清晰的、标准的闭环这件事情很重要。”短闭环且清晰可验证的工作——哪怕是数学家——也可能被替代；多人协作的长闭环，只要业务结果可验证，“有一个人带着一群 Agent”也能干；真正卡住的是不可闭环的事，“但商业上面这种东西少，因为你最后总要收钱”。
最后的堡垒是关系型工种：销售这类“需要人和人之间打交道、交流和洞察”的岗位不太容易被替代。脉脉数据已经显示缩招：自然语言处理、后端开发、直播运营、数据仓库、产品经理等岗位都在变少。

11. 没有 AI 不可超越的能力——包括判断力

对“判断力是 AI 永远不如人”的自媒体论调，林凡的反驳一针见血：“那是因为它没有你的 context，有了你的 context，它可能判断得比你还好。”
最“残酷”的佐证：他所在的清华计算机系 500 人 AI 群的共识——“不泛泛地说，就说清华计算机系这帮搞 AI 的 500 个人，我们基本的共识是 AI 的能力已经超过我们了。”剩下的只是 context 没释放：coding 和数学之后，“一个又一个领域的 context 会慢慢释放给 AI”。今天较明显的例外仍是关系型工作——AI 没有 physical 实体，但“who knows？具身智能 10 年后可能就是另外一个 story 了”。

12. 四层焦虑之一二：连 AI 都不讲人话，CEO 亲自面试全员

第一层是技术个体的焦虑：作为机器学习出身的人，他学习速度赶不上 AI“冒名词的速度”。一位工程师告诉他“这是一个 bug”——AI 过去一年在数理逻辑上强化训练，“在语言表达能力上面有了巨大的 loss”，明明能说“评价函数”或“reward”，“非得说 rubric”，人为放大了大家的焦虑。
第二层是 CEO 的焦虑：脉脉内部要求各工种轮番“AI 答辩”，中高层必须通过林凡本人的面试。标准是他现场悟出来的：面产品经理时明确要求“你要让 AI 自动帮你优化线上业务指标，不要给我讲你生成了一个 demo 就觉得 AI 用得很溜”；面设计团队他第一次听完没想明白，让他们“先过”，第二次才定出标准——“你们要让公司其他人用设计这件事是一个自动化的过程，不要找你”。

13. 工种大重组与最深的焦虑：出生即退休前的动荡十年

组织史的循环：他 2000 年做程序员时前后端、测试、数据分析“啥事都做了”，互联网用 20 年把工种拆碎、把门槛降到“跟拧螺丝钉一样”；今天“可能用 1—2 年时间又要重新把这么多工种拼回到一个人身上”——门槛降低了，但一个人要把所有事都干了。
第三层是行业焦虑：脉脉给人才打三类 AI 标签、到各城市跟 HR 宣讲“不要老去抢底座人才——都到千万年薪了，大部分公司也用不上”，并帮助没有雇主品牌的创业公司链接硅谷人才。
第四层最宏大也最紧迫：2023 年他就提过“20 年后所有人出生即退休”，“如果 AI 没叛变的话，那是一个很美好的社会。（但）这件事情发生之前的这十年，会是一个极其动荡和极其恐慌的十年。”

14. 程序员不会消失，而是带着 Agent 流向千行百业

分层下移的图景：大厂搞不好最后“只留下 C9 最牛的一批程序员”，211/985 程序员落到中厂，中厂原有的落到小厂——看起来失业了，实际是往外走。2021 年那波程序员出走只到了新能源汽车、金融科技、高端制造等高毛利行业，“传统的低毛利行业是养不起程序员的”——以前要一个团队加产品经理，一年千八百万成本。
这波不同：“带上 coding agent 以后，他们可以进到所有的行业，而且他可能一个人就是一个团队。”物流、农业、外贸公司几十上百人、以前绝对请不起程序员，现在一个会用 Agent 的程序员就能大幅提效。脉脉在主动释放信号：“程序员不要焦虑，你们有很广阔的空间，只是要把眼光放开一点。”
主持人认为这会加速中国千行百业的数字化进程，技术人才会为传统行业发现增量；林凡随后明确表示“没有你那么乐观”，没有直接认可这一整套推论，而是转向讨论生产力提升后的消费侧压力与人才流动。

15. 关键分歧：林凡“没有你那么乐观”——问题在消费侧

主持人认为 AI 改造各行业会催生隐形冠军和新消费，林凡直接反对：“没有你那么乐观……这轮 AI 能让生产力无限提升，但是供给的充分增加，并不会让消费充分增加。今天很大的问题不是在供给侧，它是在消费侧。”
他把矛盾推到底：“如果需求侧的收入在快速下降，供给侧在快速提升，它是不匹配的。你如何让大家对未来还有信心、愿意掏钱购买稀缺性的差异化供给——这个事情的本质不是一个供需问题，它的本质是一个信心问题。”他看到的主要增量需求，是朝“人的个性化的情绪情感”演变——比如居家、孤独的老人通过云端服务、Agent 与家人的协同得到照顾。
值得记录的情绪变化：他自己的整体焦虑在下降——一是适应了（“人的适应性是很强的”），二是 2023 年被当成科幻的判断“很多事情比我想象的还要快一点”应验，确定性和解决思路都在成型。

16. 人力资源“上云”：脉脉的服务对象不变，方法巨变

结构性预言：过去十年是数据和机器上云，“未来很有可能是人力资源的服务会有一个上云的过程”——很多人不再终身或年度雇佣于一家公司，而是小时级、天级雇佣，挂在一个“整体 AI management 的大 platform”上，公司招之即来、挥之即去、不承担同等的人力成本和赔偿成本，个人配合 Agent 服务更多人，“总体待遇会略有下降但不会太明显”，直到过渡到整个社会完全不需要人工作为止。
对脉脉自身：To B 和 To C 的服务对象不会变，但从信息撮合走向“劳动价值的匹配”——理想终局可能是“甚至这些候选人都是由这个平台来雇佣的”，平台综合企业用人习惯、个人喜好和能力完成一天、三个月或一年的 assignment。他认为这可能比去中心化的 Agent 互相博弈更高效：“你的 Agent 联系一万个 To B 的 Agent……在大量无效的交互中完成匹配”。
最微妙的难题是伦理：“如何保证收集的是 facts 而不是 judge”——一个被评价“好吃懒做”的人，“很有可能是你哪次得罪他了，换一个地方可能又不一样”。而且 timing 要拿捏：Meta 在裁员员工，做得太早会让大家恐慌，做得太晚又服务不了 B 端和 C 端。路径上，等企业的绩效、HR 系统都 Agent 化后，context 的交换才“顺理成章”。

17. 技术复盘：RL 打破人类天花板，押对方向者赢

过去一年的核心节点：pre-training 随参数规模撞上数据墙，多模态没有带来智能提升；转折从 OpenAI 的 o1 到 2025 年 2 月 DeepSeek R1“揭开了一个非常大的序幕”，下半年再到 Agentic RL。关键机制：pre-training 和 SFT“只能让 AI 具备人的 average 偏上一点的水平”，而 RL 因为搜索空间变大，“能够泛化出比原来的人更强的能力”——所以恰恰是数学、信息学竞赛这些“代表人类智力最难的部分”最先被超越。
路线选择决定座次：Google Gemini 去年 9 月一度被认为追回来了，“怎么后面就又没声音了”——因为路线仍放在 pre-training 和 SFT，对 RL 投入不够；而 DeepSeek 能长期做国内 coding 第一，“是因为很早就开始做 Agent RL 的研究，踩对了这个方向”。
替代会不会扩散到多模态、物理 AI？“取决于 data ready 的程度。”他举的例子是：Google 花 1000 万美元收购一家破产公司 Spirit 航空，买下所有 email、IM 聊天、薪资等数据——“如果大模型公司都这么干，拿到 data 的速度可能比你想象要快”。

18. 结论与建议：技术都不是问题，商业价值才是节拍器

赴美交流后他修正了自己带去的观点：“所有今天我们说到的工种替代在技术上面的问题都不是问题。它的问题只在于商业上有没有那么大的价值——有它就会变得很快。”业务过程本质上也有标准答案（文章内容没有，但 PV 数、评论数有）；下一个被替代的是律师、医生还是销售，“现在还不是非常清晰”，是个“混沌和 butterfly 的效应”。
主持人补充认为，资金和价值聚集较多的行业可能更快受到 AI 冲击；林凡则说，下一类工种取决于能否形成快速商业化闭环，现在“coding 的钱大家还没赚够”。
落地的真实账本：一家朋友的公司原本亏损，用 Agent 后三分之二的人不需要再干活，靠人员成本“硬省出了 10 亿的利润”——他称之为极端案例，真正吃到最大红利的是三五个人干出三五百人价值的 AI-native 小公司。市场情绪的转折点是 2025 年的“DeepSeek 时刻”：R1 之后大小公司都看到“靠一群实习生、没那么多卡也能做出很好的东西”，招聘从 2023—2024 年的压抑转向大小公司同样激进。
给个人的三条建议，连同对被蒸馏的清醒：掌握 coding agent、做到一小时自主运行；把作品展示出来——“中国人有点含蓄，不好意思讲……你勇敢地去讲就好了”（主持人总结为 build in public）；别被 C9、211/985 这些标签限制，“重要的是你学习快、能用 AI 产出结果、愿意告诉别人——变革时代都是有巨大的红利的”。至于人性会对抗 AI 蒸馏，林凡类比无纸化办公：企业偏爱 AI-native 的应届生，正因为“他对抗 AI 的那个人性会更弱”；主持人提出应接受“能被轻易蒸馏的，可能本质上就不够高价值”，林凡表示认同。

20VC对话Town创始人JD：1000亿美元AI助手之争她被骗过、被救过、被捧上神坛过、被疼痛击倒过，决定在AI时代继续冒险｜对谈陈安妮